Analyse de sentiments sur des avis produits Amazon : mots clés vs Machine Learning

1. Introduction

L'analyse de sentiments est une tâche classique du traitement automatique du langage naturel (NLP). Elle consiste à déterminer automatiquement si un texte exprime une opinion positive, négative ou neutre.

Applications courantes :

• Analyse des avis clients (Amazon, TripAdvisor, etc.)
• Surveillance des réseaux sociaux (Tweets, commentaires)
• Analyse des retours de satisfaction client
• Modération automatique de contenu

Figure 1 : Aperçu des avis après parsing – chaque avis est associé à une note (rating) convertie en sentiment.

2. Présentation du dataset

Le dataset utilisé est le Multi-Domain Sentiment Dataset de l'Université Johns Hopkins. Il contient des avis produits Amazon (vêtements, électronique, livres, etc.) avec des notes de 1 à 5 étoiles.

Conversion des notes en sentiment

Figure 2 : Déséquilibre initial – 85% d'avis positifs, 15% de négatifs.

Pour éviter que le modèle apprenne simplement à toujours prédire "positif", nous avons équilibré le dataset en sous-échantillonnant les positifs.

Figure 3 : Après équilibrage – 1 351 positifs, 1 351 négatifs.

3. Parsing et nettoyage des données

Les fichiers bruts sont au format pseudo-XML. Voici comment nous avons extrait les notes et les textes :

def parse_review_file(filepath):
    with open(filepath, 'r', encoding='utf-8', errors='ignore') as f:
        content = f.read()
    
    review_blocks = re.split(r'\n', content)
    reviews = []
    
    for block in review_blocks:
        rating_match = re.search(r'\s*([\d\.]+)\s*', block)
        text_match = re.search(r'\s*(.*?)\s*', block, re.DOTALL)
        
        if rating_match and text_match:
            rating = float(rating_match.group(1))
            text = text_match.group(1).strip()
            sentiment = 'positif' if rating >= 4 else 'negatif'
            reviews.append({'rating': rating, 'sentiment': sentiment, 'review_text': text})
    
    return reviews

Figure 4 : Nettoyage du texte (minuscules, suppression de la ponctuation et des stop words).

4. Approche naïve : dictionnaire de mots clés

mots_positifs = ['love', 'amazing', 'great', 'good', 'happy', 'best', 'wonderful', 'beautiful', 'fantastic']
mots_negatifs = ['bad', 'poor', 'terrible', 'waste', 'disappointed', 'awful', 'hate', 'worse', 'regret']

def classify_sentiment_keywords(text):
    words = text.lower().split()
    pos_count = sum(1 for w in words if w in set_mots_positifs)
    neg_count = sum(1 for w in words if w in set_mots_negatifs)
    if pos_count > neg_count: return 'positif'
    elif neg_count > pos_count: return 'negatif'
    else: return 'neutre'

Figure 5 : Résultats décevants – seulement 44% de précision.

Pourquoi ce score médiocre ?

• Les négations ne sont pas gérées ("not good" contient "good" → classé positif)
• Le sarcasme passe inaperçu ("Great, another broken product!")
• Le dictionnaire est forcément incomplet
• Le contexte est ignoré

5. Approche ML : Naive Bayes + TF-IDF

Étape 1 : Vectorisation TF-IDF

Le texte est transformé en une matrice de nombres. TF-IDF donne plus de poids aux mots rares et discriminants.

from sklearn.feature_extraction.text import TfidfVectorizer

vectorizer = TfidfVectorizer(max_features=5000, ngram_range=(1, 2))
X = vectorizer.fit_transform(df_balanced['clean_text'])

Étape 2 : Entraînement du classifieur Naive Bayes

from sklearn.model_selection import train_test_split
from sklearn.naive_bayes import MultinomialNB

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
model = MultinomialNB()
model.fit(X_train, y_train)

Figure 6 : Résultats du modèle Naive Bayes – 86% de précision.

Figure 7 : Matrice de confusion – 234 vrais négatifs, 233 vrais positifs.

6. Comparaison des deux approches

7. Analyse des erreurs

Faux positifs (avis négatifs classés positifs)

Ces avis sont négatifs mais contiennent des mots positifs isolés qui trompent le modèle.

"I like the style of shoes but it gets dirty so quick and hard to clean."

Analyse : "like" et "style" sont positifs, mais le message global est négatif (sale, difficile à nettoyer).

"These boots look good on the first wear, but they scuffed and had tears after one night."

Analyse : "good" trompe le modèle alors que l'avis est très négatif (déchirures après une nuit).

Faux négatifs (avis positifs classés négatifs)

"This bra does it all. It gives me smooth attractive shape and great support."

Analyse : Le modèle a peut-être été perturbé par "difficult" présent plus tôt dans la phrase complète.

"I discovered that it was not just roomy but huge."

Analyse : "huge" peut être perçu comme négatif dans certains contextes, mais ici c'est positif.

Figure 8 : Exemples d'avis négatifs classés positifs (faux positifs).

Figure 9 : Exemples d'avis positifs classés négatifs (faux négatifs).

8. Améliorations possibles

from transformers import pipeline
classifier = pipeline("sentiment-analysis", model="nlptown/bert-base-multilingual-uncased-sentiment")
result = classifier("This product is amazing!")

9. Code source complet

Le notebook complet est disponible dans l'article. Voici les étapes clés :

• Étape 1 : Parsing des fichiers .review
• Étape 2 : Équilibrage des classes
• Étape 3 : Nettoyage du texte (stop words, ponctuation)
• Étape 4 : Vectorisation TF-IDF (unigrammes + bigrammes)
• Étape 5 : Entraînement Naive Bayes
• Étape 6 : Évaluation et matrice de confusion
• Étape 7 : Comparaison avec l'approche mots clés

10. FAQ — Analyse de sentiments

11. Conclusion

Ce cas pratique a démontré :

• L'approche par mots clés est simple mais limitée (44% de précision)
• Le Machine Learning (Naive Bayes + TF-IDF) atteint 86% de précision sur le même dataset
• L'écart de 42 points montre la supériorité de l'apprentissage supervisé
• Les erreurs restantes sont dues au sarcasme, aux négations complexes et au contexte

12. Articles connexes